Il collo di bottiglia non è più il modello, ma lo stato mancante del workflow

--- title: Il collo di bottiglia non è più il modello ma lo stato mancante del workflow slug: the-bottleneck-is-no-longer-the-model-but-the-missing-workflow-state meta_title: Perché gli agenti a lungo orizzonte hanno bisogno dello stato del workflow meta_description: Zeroset ha raccolto 5,2 milioni di dollari per Nebula, uno strato di stato che permette agli agenti di interrogare come un'azienda instrada realmente approvazioni e passaggi di consegne. category: ai tags: Zeroset,Nebula,memoria degli agenti,stato del workflow,Gradient Ventures,agenti a lungo orizzonte,IA aziendale,process mining,LongMemEval,contesto ---

Un pre-seed da 5,2 milioni di dollari non è una cifra enorme. L'affermazione legata a quello di Zeroset merita più attenzione dell'assegno: ciò che blocca gli agenti aziendali non è la capacità del modello, ma l'assenza di un sistema di stato.

Akshat Kannan ha lasciato Stanford a 18 anni. William Zhang ha lasciato l'Università del Texas a 21. Hanno fondato Zeroset a gennaio 2026 attorno a un'osservazione ristretta. I modelli di frontiera gestiscono già bozze di email e ricerche di voli. Si bloccano quando un compito richiede di sapere come una specifica azienda instrada approvazioni, eccezioni e passaggi di consegne.

Il 6 ottobre, Gradient Ventures e 2048 Ventures hanno co-guidato un pre-seed da 5,2 milioni di dollari, con la partecipazione di Leblon Capital. L'azienda ha cinque persone e l'accesso resta una preview di ricerca chiusa.

Cosa conserva Nebula

Nebula si connette ai sistemi che un workflow già utilizza: Microsoft 365, SharePoint, Outlook, Teams, GitHub e la messaggistica aziendale. Non tratta ogni documento come un vettore isolato. Costruisce un grafo vettoriale gerarchico a tre livelli: fatti semantici, cluster di eventi episodici e abitudini procedurali.

La differenza rispetto a un archivio di memoria sta in ciò che l'agente riceve in risposta. Anziché ricostruire la storia, interroga lo stato attuale di un workflow. L'azienda descrive la risposta come stato tipizzato e interrogabile con lineage: cosa è vero, quando è diventato vero e perché il sistema lo ritiene tale.

I benchmark sono preliminari ma specifici. Su LongMemEval, Nebula ha restituito una precisione superiore del 20% rispetto a Mem0, Supermemory e RAG ingenuo, con una mediana inferiore a 50 millisecondi e con meno token per query. Sui dataset di process mining del BPI Challenge, ha superato tutti i baseline registrati nella previsione della prossima attività di oltre il 10%, un test più difficile del retrieval perché chiede se il sistema è in grado di anticipare il prossimo passo legittimo.

Il numero di token conta quanto la precisione. Meno token per query significano che una finestra di contesto più piccola può veicolare le stesse informazioni, riducendo il costo a ogni turno dell'agente. Per un workflow che va avanti una settimana, quella differenza si accumula nello stesso modo in cui si accumulano gli errori.

L'osservazione di partenza dei fondatori è la formulazione più stringata del problema. I modelli di frontiera gestiscono bozze di email e ricerche di voli. Si bloccano quando un compito richiede di sapere come una specifica azienda instrada approvazioni, eccezioni e passaggi di consegne. In quello scenario non c'è nulla di sbagliato nel modello. L'informazione semplicemente non è nel prompt e non può essere recuperata da un corpus pubblico.

La superficie di integrazione è il vero fossato competitivo

Collegarsi a Microsoft 365, SharePoint, Outlook, Teams, GitHub e alla messaggistica aziendale è un lavoro poco glamour, ed è anche la parte più difficile da copiare. Un concorrente può replicare in un trimestre il progetto di un grafo a tre livelli. Riprodurre i connettori consapevoli dei permessi che mantengono uno strato di stato coerente con ciò che ciascun utente è autorizzato a vedere richiede molto più tempo, e gli acquirenti enterprise lo valutano per primo.

I permessi sono la parte che la maggior parte dei prodotti di memoria gestisce male. Uno strato di stato del workflow deve rispettare gli stessi confini di accesso dei sistemi sottostanti, così che un agente che opera per un utente non possa far emergere un fatto che diventa visibile solo a un altro livello dell'organizzazione. Sbagliare questo non produce tanto una risposta errata quanto un incidente di conformità.

Spiega anche perché l'azienda gestisce una preview di ricerca chiusa invece di un prodotto self-serve. Gli strati di stato valgono solo quanto i workflow che hanno visto, e ogni nuova integrazione con un cliente fa emergere casi limite nella logica di instradamento che nessun benchmark copre.

Cosa dovrebbero chiedere gli acquirenti prima di adottarlo

Tre domande distinguono uno strato di stato utile da una demo. Il sistema registra quando ogni fatto è diventato vero e può invalidare un fatto che è stato superato? Sa spiegare perché crede a qualcosa, risalendo all'evento di origine? Applica gli stessi permessi dei sistemi da cui legge?

Il requisito del lineage è quello a cui si tende a rispondere in modo vago. Uno strato di stato che restituisce un fatto senza provenienza è di fatto una cache, e una cache obsoleta dentro un agente autonomo è peggio di nessuna memoria, perché l'agente agirà su di essa con sicurezza.

La persistenza è la domanda di secondo livello. Uno stato continuo per giorni o settimane è l'intera proposta di valore, e memorizzare così tanta conoscenza organizzativa derivata solleva una conversazione di data governance su conservazione, cancellazione e residenza regionale.

Perché lo stato obsoleto si accumula

La modalità di fallimento che l'azienda cita è la ragione per cui esiste la categoria. Un fatto obsoleto o un'istruzione contraddittoria non causano un singolo errore. Diventano lo stato di partenza del turno successivo, producendo rilavorazioni che si accumulano, chiamate aggiuntive agli strumenti e intervento umano.

È l'accumulo a renderlo costoso. Una singola azione sbagliata è recuperabile. Un'assunzione errata che persiste attraverso un processo in venti passaggi corrompe ogni passo successivo e, quando qualcuno se ne accorge, il lavoro deve essere rifatto da un checkpoint precedente. Gli agenti che operano incustoditi per ore peggiorano la situazione, perché nessuno osserva la deriva.

I sistemi di memoria conversazionale recuperano chunk simili. Se il fatto recuperato ha tre settimane e il workflow è andato avanti, l'agente ragiona a partire da un mondo che non esiste più, e nulla nella risposta segnala la discrepanza. La similarità di retrieval e l'attualità fattuale sono proprietà diverse, e un vector store ottimizza la prima.

Il grafo a tre livelli di Nebula è un tentativo di dare all'agente un modo per distinguerle. I fatti semantici descrivono ciò che è vero. I cluster di eventi episodici descrivono ciò che è accaduto. Le abitudini procedurali descrivono come l'organizzazione fa di solito le cose. Il lineage è l'elemento che lo rende verificabile: il fatto, quando è diventato vero e perché il sistema lo ritiene tale.

Dove si colloca

Mem0 e Zep occupano la categoria adiacente dell'infrastruttura di memoria. La scommessa di Zeroset è che gli agenti aziendali a lungo orizzonte abbiano bisogno di stato di processo anziché di memoria conversazionale, e la distinzione conta per qualsiasi cosa che si estenda per giorni o settimane attraverso i confini dei sistemi: gestione dei sinistri, approvazioni di rilascio, procurement multi-step.

Quei processi condividono una struttura. Comportano passaggi di consegne tra persone e sistemi, eccezioni che seguono regole non scritte e approvazioni che dipendono da chi è disponibile. Niente di tutto ciò vive in un documento. Vive nella pratica, ed è per questo che è stato difficile rappresentarlo.

Il process mining è l'arte precedente più vicina, ed è significativo che Zeroset si confronti con dataset di process mining. Quel campo ha impiegato due decenni a ricostruire come il lavoro scorre realmente a partire dai log degli eventi. Fare la stessa cosa in tempo reale, così che un agente possa interrogarla a metà compito, è un'evoluzione ragionevole.

La tesi pubblicata da Gradient sostiene lo stesso argomento. Gli agenti consumer hanno avuto successo perché si sono addestrati sul web pubblico. Gli agenti enterprise mancano ancora di una rappresentazione di come il lavoro si muove realmente dentro un'organizzazione privata.

Cosa cambia se funziona

Due cose. Gli harness degli agenti smettono di spedire finestre di contesto sempre più grandi per compensare la struttura mancante, perché il problema non è mai stato la dimensione della finestra. E le aziende possono mantenere il modello operativo dei propri workflow dentro il proprio perimetro, invece di sperare che un modello generale prima o poi lo inferisca.

La seconda conseguenza è quella più strategica. Una rappresentazione del workflow che vive dentro il perimetro di un'azienda è un asset che l'azienda possiede. Una inferita da un modello generale è una capacità che prende in affitto. Per i settori regolamentati, questa differenza decide se un agente può essere implementato o meno.

C'è un rischio competitivo che vale la pena nominare. Se un grande fornitore di piattaforme decide che lo stato di processo appartiene alla sua suite, una startup di cinque persone affronta un problema di distribuzione indipendentemente da quanto sia buono lo strato di stato. Il coinvolgimento di Gradient aiuta, e la distribuzione non è qualcosa che un round da 5,2 milioni di dollari risolve.

I numeri oggi sono piccoli: cinque persone, due benchmark pubblici, una preview chiusa. L'affermazione è più grande, ed è verificabile. Se l'automazione aziendale ha superato la fase della capacità, il prossimo giro di concorrenza riguarda chi sa cosa sia realmente il lavoro.